第1019期 小路和你读AI论文。今日4篇高质量论文。 1. 𝗦𝗲𝗹𝗳-𝗕𝘂𝗶𝗹𝗱𝗶𝗻𝗴 𝗟𝗮𝗯𝘀（《自构建实验室》） 链接：https://arxiv.o… · @Zen_with_AI · TwKit

@Zen_with_AI

第1019期 小路和你读AI论文。今日4篇高质量论文。 1. 𝗦𝗲𝗹𝗳-𝗕𝘂𝗶𝗹𝗱𝗶𝗻𝗴 𝗟𝗮𝗯𝘀（《自构建实验室》） 链接：https://arxiv.org/abs/2610.23826 作者背景：Alán Aspuru-Guzik 等，多伦多大学、Vector Institute、Acceleration Consortium、NVIDIA 智能体根据高层科学目标，自己设计、配置并运行实验室，从布局、数字孪生到机器人技能和工作流，不再只跑预设流程。自驱动实验室的瓶颈一直是新实验所需能力要靠人手工工程，这篇把人的角色改成只指定科学目标，并用真实的量子点合成实验验证了端到端能力，支持从单工作站扩展到多机器人协同。对机器人学、化学自动化和科研智能体方向的人有直接参考价值。 2. 𝗗𝗶𝘀𝗰𝗼𝘃𝗲𝗿𝘆𝗥𝗦𝗜: 𝗥𝗲𝗰𝘂𝗿𝘀𝗶𝘃𝗲𝗹𝘆 𝗟𝗲𝗮𝗿𝗻𝗶𝗻𝗴 𝘁𝗼 𝗗𝗶𝘀𝗰𝗼𝘃𝗲𝗿 𝗩𝗮𝗹𝘂𝗮𝗯𝗹𝗲 𝗛𝘆𝗽𝗼𝘁𝗵𝗲𝘀𝗲𝘀（《DiscoveryRSI：递归学习发现有价值的假设》） 链接：https://arxiv.org/abs/2610.23839 作者背景：James Zou 等，斯坦福大学 多智能体进化搜索构建假设树，编译成可执行任务，再靠假设信用优化、工作流回放和重新发现三种机制递归学习，让假设更可证伪、证据基础更扎实。论文给假设下了操作化定义：证据基础声明、可行调查、决策标准加替代解释。在生命科学领域自我改进后假设质量上升，专家评估和与已发表研究的对应率也优于基线。做科学智能体的人值得看，它盯的是可检验性，而不是表面流畅。 3. 𝗟𝗮𝗻𝗴𝘂𝗮𝗴𝗲 𝗠𝗼𝗱𝗲𝗹𝘀 𝗟𝗲𝗮𝗿𝗻 𝘁𝗼 𝗜𝗺𝗽𝗿𝗼𝘃𝗲 𝗟𝗮𝗻𝗴𝘂𝗮𝗴𝗲 𝗠𝗼𝗱𝗲𝗹𝘀（《语言模型学会改进语言模型》） 链接：https://arxiv.org/abs/2610.23344 作者背景：独立团队，具体信息以论文为准 LM2LM 用研究世界模型（RWM）当可扩展的奖励代理，用强化学习训练语言模型提出有效的改进方案，并定期真实执行来保持反馈可靠。直接训练“改进语言模型的能力”成本高，代理还不可靠。在多个自回归和扩散语言模型的开发环境里，较小模型在真实执行评估上超过了更大上下文的基线，数据生成成本更低，还能泛化到没见过的模型族。对递归自我改进和自动化AI研究方向的研究者有参考价值。 4. 𝗘𝗖𝗛𝗢𝗘𝗦: 𝗦𝗲𝗲𝗶𝗻𝗴 𝗕𝗲𝘆𝗼𝗻𝗱 𝘁𝗵𝗲 𝗖𝘂𝗿𝗿𝗲𝗻𝘁 𝗜𝗺𝗮𝗴𝗲 𝘃𝗶𝗮 𝗥𝗲𝗰𝘂𝗿𝘀𝗶𝘃𝗲 𝗛𝗶𝘀𝘁𝗼𝗿𝘆 𝗖𝗼𝗺𝗽𝗿𝗲𝘀𝘀𝗶𝗼𝗻 𝗮𝗻𝗱 𝗣𝗿𝗶𝘃𝗶𝗹𝗲𝗴𝗲𝗱 𝗢𝗻-𝗣𝗼𝗹𝗶𝗰𝘆 𝗗𝗶𝘀𝘁𝗶𝗹𝗹𝗮𝘁𝗶𝗼𝗻（《ECHOES：通过递归历史压缩与特权在策略蒸馏看到当前图像之外》） 链接：https://arxiv.org/abs/2610.22408 作者背景：清华大学，与 StepFun 等产业方合作 训练时用特权多图像信息指导文本历史压缩，再用按感知与记忆保真度引导的在策略蒸馏，让长时程GUI智能体不保留历史截图也能记住任务状态。长时程视觉智能体一直要在历史截图的成本和文本摘要的信息丢失之间取舍。这篇提出压缩-思考-行动格式和诊断基准，多个GUI基准上性能与记忆保真度都有提升，还能零样本迁移。对多模态智能体和效率方向的研究者有价值。

曝光 101 · 评论 1 · 点赞 1 · 书签 1